Kontrola wizyjna z AI i widzenie maszynowe w kontroli jakości

Nowoczesne modele typu few-shot często wystarczy uruchomić z kilkoma setkami zdjęć; system uczy się dalej już w trakcie produkcji.

Kamery przemysłowe i oświetlenie dobierane są indywidualnie do zastosowania. Dostarczamy kompletnie zaprojektowane stanowisko.

Nowe warianty są szybko trenowane na bazie istniejących modeli, co dobrze sprawdza się przy produkcji o dużej różnorodności asortymentu.

Na poprawnie dobranym serwerze wnioskowanie trwa milisekundy i rzadko jest wąskim gardłem, choć przy kilku kamerach na jednym GPU opóźnienie trzeba rozpisać na każde stanowisko osobno. O odpowiedzi decyduje reszta pętli: w momencie wyzwolenia część musi stać nieruchomo i być oświetlona zawsze tak samo, a decyzja o odrzucie musi dotrzeć, zanim część dojedzie do wypychacza. Jeśli takt linii nie zostawia na to miejsca, rozwiązaniem jest zmiana mechaniki. Szybszy model tu nie pomoże.

Tak, retrofit to standard, ale praca jest głównie mechaniczna i elektryczna. Potrzebny jest sygnał wyzwalający ze sterownika PLC lub z czujnika, element wykonawczy, który wypchnie brak, oraz trasa kablowa do serwera wnioskowania. Wytrenowanie modelu jest zwykle najkrótszą częścią projektu; o harmonogramie decyduje doprowadzenie do tego, żeby część w każdym cyklu prezentowała się kamerze identycznie.

Wszystkiego, czego nie widzi kamera. Pęknięcia wewnętrzne, porowatość pod powierzchnią, głębokość wtopienia spoiny, moment dokręcenia i własności materiału wymagają innej metody badania. Lepszy model tego nie zmieni. Wizja radzi sobie też słabo tam, gdzie wada nie ma powtarzalnego obrazu, gdzie granica akceptacji zależy od wyczucia człowieka i nie da się jej opisać kryterium, oraz tam, gdzie części trafiają pod nieprzewidywalnym kątem. Zanim zaczniesz specyfikować stanowisko, ustal, które postacie wady naprawdę chcesz łapać.

Po uruchomieniu ktoś musi potwierdzać lub korygować klasyfikacje, co do których system nie jest pewny, i to właśnie ta informacja zwrotna utrzymuje modele w formie. Jest to obciążenie cykliczne, które nie wymaga osobnego etatu. Większość pracy przypada wcześniej, na pierwsze tygodnie: zebranie reprezentatywnych zdjęć części dobrych i każdej klasy wady, na której Ci zależy. Nikt nie powinien dostać tego zadania w dodatku do pełnej zmiany, bez przydzielonego czasu.

Myli się w dwie strony i jedno wymienia się na drugie, ustawiając próg decyzyjny. Zaostrzysz go, a dobre sztuki idą na złom albo do ponownej kontroli; poluzujesz, a wady uciekają do klienta. Oba przypadki muszą być widoczne, dlatego każda decyzja jest zapisywana razem ze zdjęciem, a odrzuty należy w stałych odstępach weryfikować z oceną człowieka. Stanowisko, na którym nikt nie przegląda fałszywych odrzutów, to stanowisko, które operatorzy prędzej czy później nauczą się obchodzić.

Wnioskowanie działa na lokalnym serwerze GPU Vision, więc pętla decyzyjna czasu rzeczywistego nigdy nie opuszcza zakładu. To właśnie utrzymuje opóźnienie na poziomie pozwalającym odrzucać w linii. Osobną sprawą są zapisane zdjęcia i korekty operatorów używane do douczania modeli: jeśli modele stroi MSF na Waszych danych, w umowie trzeba ustalić, czy te zdjęcia zostają na terenie zakładu. Resztę platformy można wdrożyć jako SaaS, chmurę prywatną albo on-premise.

Zostaje wyprowadzona z linii, a potem o jej losie (złom, naprawa albo odstępstwo) decyduje ten, kto za to odpowiada. Sam wynik trafia do modułu MSF Quality, gdzie ląduje na kartach SPC i może automatycznie otworzyć zgłoszenie niezgodności NCR. Automatyczna nie jest natomiast eskalacja, gdy dana klasa wady zaczyna narastać, więc ścieżkę decyzji i eskalacji ustalcie, zanim kamera stanie na linii.